Lehre & Qualitätsmanagement

Die Verknüpfung exzellenter Forschung mit exzellenter Lehre – das ist der Anspruch der TUM. Die Lehre an unserer Universität erfolgt nach höchsten didaktischen wie technischen Standards, orientiert an Lernzielorientierung und Kompetenzorientierung.

Didaktik

Hier finden Sie eine Übersicht der didaktischen Grundlagen, auf denen die Lehre an der TUM aufbaut, sowie Hilfestellungen für die Konzeption von Lehrveranstaltungen und Prüfungen.

Chancen für die Lehre

An der TUM gibt es eine Vielzahl von Foren und Wettbewerben für innovative Lehrformate, herausragende didaktische Konzepte oder den Austausch über neueste Entwicklungen.

Lehre im Dialog

An der TUM gibt es eine Reihe regelmäßiger Veranstaltungen zur Lehr- und Lernkultur, die Impulse für die Lehre und Raum für die Diskussion und den Austausch bieten.

Qualitätsmanagement

Ziel des Qualitätsmanagements ist es, attraktive, anspruchsvolle und international wettbewerbs­fähige Studien­angebote zu entwerfen, einzurichten und weiterzu­entwickeln.

Weiterbildung für die Lehre

Ob Didaktik, E-Learning oder Evaluation – an der TUM gibt es vielfältige Beratungs- und Weiterbildungsangebote zu allen Themen rund um Studium und Lehre.

Sprachdienst Internationalisierung

Der Sprachdienst Internationalisierung (SDI) koordiniert  Übersetzungen ins US-Englische sowie Redaktion und Lektorat und stellt die Terminologiedatenank dict.tum zur Verfügung.

Kontakt Qualitätsmanagement

TUM Center for Study and Teaching
Qualitätsmanagement

Arcisstr. 19
80333 München

Kontakt und Ansprechpersonen

Kontakt ProLehre

ProLehre | Medien und Didaktik
Barer Str. 19
80333 München

E-Mail: infospam prevention@prolehre.tum.de
www.prolehre.tum.de

Downloads

Handreichungen, Leitfäden und Vorlagen: Dokumente rund um Lehre und QM.

Downloads

News: Aktuelles aus Studium und Lehre

  • 29.12.2021
  • Lesezeit: 3 Min.

Projekt SeaClear für saubere Meeresböden

Roboter sammeln Unterwasser-Müll auf

Das Sammeln von Müll in Ozeanen und Meeren ist sehr aufwendig und teuer. Ein Team der Technischen Universität München (TUM) entwickelt in einem europäischen Kooperationsprojekt ein Robotersystem, das Abfall unter Wasser ortet und einsammeln kann. Dabei kommen Methoden des maschinellen Lernens zum Einsatz.

Der Roboter des Forschungsprojekts SeaClear kann im Wasser Müll aufsammeln. The SeaClear Project
Der Roboter des Forschungsprojekts SeaClear kann im Wasser Müll aufsammeln.

In unseren Meeren und Ozeanen befinden sich aktuell zwischen 26 und 66 Millionen Tonnen Plastikmüll. Der größte Anteil davon liegt auf dem Meeresboden. Eine gewaltige Bedrohung für dort lebende Pflanzen und Tiere sowie das ökologische Gleichgewicht der Meere.

Doch das Reinigen der Gewässer ist aufwendig, teuer und oft auch gefährlich, weil häufig Taucher eingesetzt werden müssen. Außerdem konzentrieren sich Reinigungsaktionen meist auf die Wasseroberfläche. Ein Team der TUM hat sich mit acht europäischen Partner-Instituten im Projekt SeaClear zusammengetan und entwickelt ein Robotersystem, das auch unter Wasser Müll einsammeln kann.  

Vier Roboter agieren gemeinsam

Das System setzt sich aus vier einzelnen Roboter-Komponenten zusammen: Ein autonom fahrendes Roboter-Boot führt einen ersten Scan des Meeresbodens durch und lokalisiert dabei größere Müllansammlungen. Dann wird ein Beobachtungs-Roboter ins Wasser gelassen, der den Müll in der Tiefe aufspürt und gleichzeitig weitere Informationen wie Nahaufnahmen des Meeresbodens an die Rechner liefert.

Bei klarem Wasser und guten Sichtverhältnissen sorgt zusätzlich eine Drohne aus der Luft dafür, dass weiterer Müll im Wasser erkannt wird. Mit Hilfe all dieser Informationen wird eine virtuelle Karte erzeugt. Ein Sammel-Roboter fährt dann bestimmte Punkte an der Karte ab und sammelt den Müll auf. Dabei werden größere Teile mit Hilfe eines Greifers in einem Korb, der mit dem Schiff verbunden ist, abtransportiert.

Ein System bestehend aus vier Robotern sorgt für saubere Meeresböden. The SeaClear Project
Ein System bestehend aus vier Robotern sorgt für saubere Meeresböden.

Herausforderung Strömung

„Autonome Roboter für den Einsatz unter Wasser zu entwickeln stellt eine ganz besondere Herausforderung“ sagt Dr. Stefan Sosnowski, Technischer Leiter des SeaClear-Projekts am Lehrstuhl für Informationstechnische Regelung an der TUM. Denn anders als an Land herrschen im Wasser ganz besondere Bedingungen. „Sobald ein Stück Müll identifiziert und geortet wurde, muss sich der Roboter zunächst in dessen Nähe bewegen. Dabei kann er mitunter auf starke Strömungen treffen, gegen die er sich durchsetzen muss. Das richtig auszusteuern, ist Aufgabe der TUM im SeaClear-Projekt.“

Effizientes Machine Learning

Dafür verwendet das Team Methoden des maschinellen Lernens. Eine Künstliche Intelligenz (KI) berechnet und lernt, wann und unter welchen Bedingungen sich der Roboter auf eine bestimmte Weise bewegt. So können genaue Vorhersagen über sein Verhalten getroffen werden.

„Eine weitere Herausforderung ist, dass wir nicht die gewohnte Rechenleistung wie an Land zur Verfügung haben“ sagt Prof. Sandra Hirche, Leiterin des Lehrstuhls und dortige SeaClear Projektleiterin. „Es gibt keine Anbindung an große Rechenzentren mit Hochleistungscomputern. Die Algorithmen, die wir entwickeln, müssen daher möglichst effizient und ressourcenschonend sein. Deswegen arbeiten wir schon seit einiger Zeit an Methoden mit hoher „Sampling Efficiency“, die mit möglichst wenig Daten möglichst gute Vorhersagen treffen können. Nicht benötigte Informationen werden von der KI einfach vergessen.“

Erfolgsquote von 90%

Wenn das SeaClear-System einmal voll einsatzfähig ist, soll es Unterwasserabfälle mit einer prognostizierten Quote von 80% klassifizieren und zu 90% erfolgreich einsammeln – vergleichbar mit dem Erfolg beim Einsatz von Tauchern. Erste Versuche mit dem Prototyp wurden im Oktober 2021 im kroatischen Dubrovnik durchgeführt. Im Mai 2022 soll es weitere Versuche im Hamburger Hafen geben.

Die Forschungsgruppe des SeaClear-Projekts beobachtet die Unterwasser-Aktivitäten des Roboters am Monitor. The SeaClear Project
Die Forschungsgruppe des SeaClear-Projekts beobachtet die Unterwasser-Aktivitäten des Roboters am Monitor.
Publikationen

P. Bevanda, S. Sosnowski, S. Hirche, "Koopman operator dynamical models: Learning, analysis and control", Annual Reviews in Control , 2021, 52, 197-212 , DOI:10.1016/j.arcontrol.2021.09.002.

Weitere Informationen und Links

Technische Universität München

Corporate Communications Center

Kontakte zum Artikel:

Prof. Dr.-Ing. Sandra Hirche
Technische Universität München
Lehrstuhl für Informationstechnische Regelung
Tel: +49 (89) 289 25723
Hirche@tum.de
www.tum.de

HSTS